零样本因果学习
机器学习
2024-02-26 v4 人工智能
计算机与社会
人机交互
摘要
预测不同干预如何对特定个体产生因果影响，在个性化医疗、公共政策和在线营销等诸多领域十分重要。已有大量方法基于接受过某干预个体的历史数据来预测该已有干预的效果。然而，在许多场景中，预测新颖干预（如新发明的药物）的效果十分重要，而这些方法并未解决此问题。此处，我们考虑零样本因果学习：预测新颖干预的个性化效果。我们提出 CaML，一种因果元学习框架，将每种干预效果的个性化预测构造成一个任务。CaML 在数千个任务上训练单一元模型，每个任务通过采样一个干预、其接受者与未接受者构建。通过利用干预信息（如药物属性）与个体特征（如患者病史），CaML 能够预测训练时不存在的新颖干预的个性化效果。在大规模医疗索赔与细胞系扰动真实世界数据集上的实验结果展示了我们方法的有效性。最引人注目的是，CaML 的零样本预测甚至优于直接在测试干预数据上训练的强基线。
引用
@article{arxiv.2301.12292,
title = {Zero-shot causal learning},
author = {Hamed Nilforoshan and Michael Moor and Yusuf Roohani and Yining Chen and Anja Šurina and Michihiro Yasunaga and Sara Oblak and Jure Leskovec},
journal= {arXiv preprint arXiv:2301.12292},
year = {2024}
}